mlxtend

Mlxtend (ส่วนขยายการเรียนรู้ของเครื่อง) คือไลบรารี Python ของเครื่องมือที่มีประโยชน์สำหรับงานวิทยาศาสตร์ข้อมูลในแต่ละวัน

เซบาสเตียน ราชกา 2014-2024

ลิงค์

• เอกสารประกอบ: https://rasbt.github.io/mlxtend
• PyPI: https://pypi.python.org/pypi/mlxtend
• บันทึกการเปลี่ยนแปลง: https://rasbt.github.io/mlxtend/CHANGELOG
• การมีส่วนร่วม: https://rasbt.github.io/mlxtend/CONTRIBUTING
• คำถาม? ตรวจสอบกระดานสนทนา GitHub

การติดตั้ง mlxtend

พีพีไอ

หากต้องการติดตั้ง mlxtend เพียงดำเนินการ

pip install mlxtend  

หรือคุณสามารถดาวน์โหลดแพ็คเกจด้วยตนเองจาก Python Package Index https://pypi.python.org/pypi/mlxtend คลายซิปมัน นำทางไปยังแพ็คเกจ และใช้คำสั่ง:

python setup.py install

คอนดา

หากคุณใช้ conda เพื่อติดตั้ง mlxtend เพียงแค่ดำเนินการ

conda install -c conda-forge mlxtend 

เวอร์ชั่นผู้พัฒนา

เวอร์ชัน mlxtend บน PyPI อาจจะล้าหลังไปหนึ่งก้าวเสมอ คุณสามารถติดตั้งเวอร์ชันการพัฒนาล่าสุดได้จากที่เก็บ GitHub โดยดำเนินการ

pip install git+git://github.com/rasbt/mlxtend.git#egg=mlxtend

หรือคุณสามารถแยกพื้นที่เก็บข้อมูล GitHub จาก https://github.com/rasbt/mlxtend และติดตั้ง mlxtend จากไดรฟ์ในเครื่องของคุณผ่าน

python setup.py install

ตัวอย่าง

 import numpy as np
import matplotlib . pyplot as plt
import matplotlib . gridspec as gridspec
import itertools
from sklearn . linear_model import LogisticRegression
from sklearn . svm import SVC
from sklearn . ensemble import RandomForestClassifier
from mlxtend . classifier import EnsembleVoteClassifier
from mlxtend . data import iris_data
from mlxtend . plotting import plot_decision_regions

# Initializing Classifiers
clf1 = LogisticRegression ( random_state = 0 )
clf2 = RandomForestClassifier ( random_state = 0 )
clf3 = SVC ( random_state = 0 , probability = True )
eclf = EnsembleVoteClassifier ( clfs = [ clf1 , clf2 , clf3 ], weights = [ 2 , 1 , 1 ], voting = 'soft' )

# Loading some example data
X , y = iris_data ()
X = X [:,[ 0 , 2 ]]

# Plotting Decision Regions
gs = gridspec . GridSpec ( 2 , 2 )
fig = plt . figure ( figsize = ( 10 , 8 ))

for clf , lab , grd in zip ([ clf1 , clf2 , clf3 , eclf ],
                         [ 'Logistic Regression' , 'Random Forest' , 'RBF kernel SVM' , 'Ensemble' ],
                         itertools . product ([ 0 , 1 ], repeat = 2 )):
    clf . fit ( X , y )
    ax = plt . subplot ( gs [ grd [ 0 ], grd [ 1 ]])
    fig = plot_decision_regions ( X = X , y = y , clf = clf , legend = 2 )
    plt . title ( lab )
plt . show ()

---

หากคุณใช้ mlxtend เป็นส่วนหนึ่งของขั้นตอนการทำงานของคุณในสิ่งพิมพ์ทางวิทยาศาสตร์ โปรดพิจารณาอ้างอิงพื้นที่เก็บข้อมูล mlxtend ด้วย DOI ต่อไปนี้:

 @article{raschkas_2018_mlxtend,
  author       = {Sebastian Raschka},
  title        = {MLxtend: Providing machine learning and data science 
                  utilities and extensions to Python’s  
                  scientific computing stack},
  journal      = {The Journal of Open Source Software},
  volume       = {3},
  number       = {24},
  month        = apr,
  year         = 2018,
  publisher    = {The Open Journal},
  doi          = {10.21105/joss.00638},
  url          = {https://joss.theoj.org/papers/10.21105/joss.00638}
}

• Raschka, Sebastian (2018) MLxtend: มอบยูทิลิตี้การเรียนรู้ของเครื่องและวิทยาศาสตร์ข้อมูลและส่วนขยายให้กับสแต็กการประมวลผลทางวิทยาศาสตร์ของ Python J โอเพ่นซอร์ส Softw 3(24)

---

ใบอนุญาต

• โครงการนี้เผยแพร่ภายใต้ใบอนุญาตโอเพ่นซอร์ส BSD ใหม่ที่ได้รับอนุญาต (LICENSE-BSD3.txt) และใช้งานได้ในเชิงพาณิชย์ ไม่มีการรับประกัน ไม่ใช่เพื่อการค้าหรือความเหมาะสมสำหรับวัตถุประสงค์เฉพาะ
• นอกจากนี้ คุณสามารถใช้ คัดลอก แก้ไข และแจกจ่ายผลงานสร้างสรรค์ทางศิลปะทั้งหมด (รูปภาพและรูปภาพ) ที่รวมอยู่ในการแจกจ่ายนี้ภายใต้ไดเร็กทอรีตามข้อกำหนดและเงื่อนไขของ Creative Commons Attribution 4.0 International License ดูไฟล์ LICENSE-CC-BY.txt เพื่อดูรายละเอียด (กราฟิกที่สร้างโดยคอมพิวเตอร์ เช่น แปลงที่ผลิตโดย matplotlib อยู่ภายใต้ใบอนุญาต BSD ที่กล่าวถึงข้างต้น)

ติดต่อ

วิธีที่ดีที่สุดในการถามคำถามคือผ่านช่องทางการสนทนา GitHub ในกรณีที่คุณพบข้อบกพร่องในการใช้งาน โปรดอย่าลังเลที่จะใช้เครื่องมือติดตามปัญหาของ GitHub โดยตรง